Ciência para a Redução das Desigualdades
15 a 20 de outubro de 2018
Trabalho 10249
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Agrárias |
| Área temática | Ciências Agrárias |
| Setor | Departamento de Engenharia Agrícola |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | Isabela Piccolo Maciel |
| Orientador | DEMETRIUS DAVID DA SILVA |
| Outros membros | Felipe Bernardes Silva |
| Título | Comparação da classificação do uso e cobertura do solo por Máxima Verossimilhança e Random Forest |
| Resumo | Atualmente uma vasta gama de modelos hidrológicos encontram-se disponíveis para uso, contudo apresentam dificuldades no que se refere a base de dados necessária para sua aplicação. A informação do uso e cobertura do solo é uma das diversas informações recorrentes para estudos relacionados a recursos hídricos. Softwares estatísticos, aliados a sensores de melhor resolução, estão sendo cada vez mais utilizados para obtenção dessa informação. Algumas metodologias têm seu uso já disseminado, como o algoritmo da Máxima Verossimilhança, enquanto outras metodologias têm ganhado destaque, como o algoritmo preditivo Random Forest. Neste estudo o objetivo foi comparar as classificações do uso e ocupação do solo na bacia hidrográfica do Alto Paracatu para duas imagens do LANDSAT 5, sensor TM, e uma imagem do satélite LANDSAT 8, sensor OLI, realizadas utilizando o algoritmo espacial da Máxima Verossimilhança, no ArcGis 10.5.1, e o algoritmo preditivo Random Forest, no software R. As imagens foram adquiridas para o mês de setembro dos anos de 2006, 2011 e 2017, tendo sido utilizadas duas cenas de órbitas 220/72 e 220/73, que correspondem a Região do Alto e trechos do médio Paracatu. Para o treinamento e validação do modelo foram coletadas amostras para as seguintes classes: Reflorestamento, Vegetação nativa/Mata ciliar, Água, Cerrado/Vegetação esparsa, Pastagem, Agricultura e Solo exposto. Além disso, foram gerados índices de vegetação e relevo, a fim de compor a árvore de decisão do modelo, com intuito de aumentar a acurácia da classificação. Foram testados três tipos de classificação, sendo: 1°) Máxima verossimilhança utilizando bandas do LANDSAT e o Modelo digital de elevação (MDE) como raster auxiliar; 2°) Random Forest utilizando bandas do LANDSAT e índices de vegetação e relevo; e 3°) Máxima verossimilhança utilizando bandas do LANDSAT e os índices mais significativos obtidos na classificação 2. A acurácia das classificações foi avaliada por meio da matriz de confusão, que permite o cálculo do erro de omissão, erro de comissão, exatidão global, e o índice Kappa. Desses métodos, o 3º apresentou exatidão global e índice Kappa inferiores aos demais. O 2º apresentou maior índice Kappa e exatidão global nas imagens de 2006 e 2017, enquanto que o 1º foi melhor na imagem de 2011. Observando os erros de comissão e omissão, em 2006, o 2º método superestimou a classe de Reflorestamento, classe com maior erro de comissão, agregando pixels da Mata nativa/Ciliar, que apresentou maior erro de omissão. Já o 1º, para Reflorestamento, apresentou maior erro de omissão em que alguns de seus pixels foram classificados como Mata nativa/Ciliar. A classe Pastagem recebeu pixels da Agricultura, sendo então superestimada pelo 1ª método. Portanto, de maneira geral, o Random Forest apresentou melhores resultados por gerar menor confusão nos pixels de validação, confirmando que esta metodologia apresenta grande potencial para classificação de imagens. |
| Palavras-chave | Classificação do uso e cobertura do solo, Random Forest, Máxima Verossimilhança |
| Forma de apresentação..... | Painel |